刻画长短期用户兴趣的基于会话的推荐系统

―在很多在线推荐系统场景中,用户和系统的交互通常都会按照时间间隔划分成一系列的会话.本文研究了如何在基于会话的推荐系统中对用户兴趣进行建模.现有的工作或者假设会话之间相互独立,忽略了历史会话中包含的长期用户兴趣信息;或者将用户在一个会话中的短期兴趣视为静态不变.这两者都无法充分刻画实际场景中的用户兴趣和行为.我们提出了循环记忆网络RMN,一种刻画了用户长期和短期兴趣的基于会话的推荐系统.RMN基于循环神经网络模型,其核心部分是一个储存了用户长期偏好的兴趣记忆模块.另外,我们在RMN中设计了一个会话内的记忆读取单元和一个会话间的记忆写入单元,这两个单元分别用于刻画短期(即一个会话内)的用户兴趣波动和长期(即跨越多个会话)的用户兴趣转移.我们在真实的电影推荐和职位推荐数据集上进行了实验,实验结果表明RMN相比于现有方法而言取得了显著的性能提升.

区分用户长短期兴趣的IBCF改进算法

协同过滤算法已被成功应用于许多领域,但遇到了可扩展性和精度低等问题,目前提出了许多改进算法,但它们均忽视了用户长短期兴趣对推荐的不同影响.针对这个问题,介绍了一种改进的长短期兴趣数据权重策略,它的关键是识别用户长期兴趣,为此提出了基于资源类别相似性和基于访问资源类别出现频率两种识别方法,并详细分析了这两种识别方法的优缺点.实验表明,将上述方法引入基于资源的协同过滤算法中,能提高推荐精度.